anonym.legal

By · Last updated 2026-04-16

Վերադառնալ բլոգինAI Անվտանգություն

900,000 օգտատեր ունեցող հավելումի միջադեպից հետո

2026 թ. հունվարին երկու վնասակար Chrome հավելում, 900,000+ օգտատերով, ամեն 30 րոպեն մեկ ChatGPT-ի և DeepSeek-ի ամբողջական խոսակցությունները ուղարկում էր հեռավոր սերվեր: Ահա թե ինչպես IT թիմերը կարող են ստուգել հավելումի անվտանգությունը:

April 16, 20268 րոպե կարդալ
malicious Chrome extensionAI extension security auditextension trust verificationlocal processing architecture900K extension incident

2026 թ. հունվարի միջադեպը

Թարմացված 2026 թ.-ի համար: 2026 թ. հունվարին հայտնաբերվեց երկու վնասակար Chrome հավելում՝ 900,000+ օգտատերով:

Դրանց անունները նման էին իրական AI գործիքների.

  • "Chat GPT for Chrome with GPT-5, Claude Sonnet and DeepSeek AI" — 600,000+ օգտատեր
  • "AI Sidebar with Deepseek, ChatGPT, Claude and more" — 300,000+ օգտատեր

Երկուսն էլ նույն բանն էին անում: Ամեն 30 րոպեն մեկ դրանք ամբողջական AI խոսակցությունները ուղարկում էին հեռավոր սերվեր: Գողացված տվյալները ներառում էին կոդ, անձնական տվյալներ, իրավական գրառումներ և բիզնեսի ծրագրեր: Սա հաստատեց Astrix Security-ն:

Այս հավելումները խնդրում էին "հավաքել անանուն, ոչ նույնականացվող վերլուծական տվյալներ": Ձևակերպումն անվտանգ է թվում: Բայց ոչ: Հավաքված տվյալները լիովին նույնականացվող էին և բարձր զգայուն:

Անվտանգության շրջգծի խնդիրը

ԱI գոպության պաշտպանության գործիքներ տեղադրող օգտատերերն ուզում են պաշտպանություն: 2026 թ. հունվարի դեպքը ցույց է տալիս ամենावार'd արդյունքը. գոպության համար տեղադրած ծրագիրն ինքն է գողանում ձեր տվյալները:

Սա տեսություն չէ: Այն տեղի ունեցավ 900,000 օգտատերի հետ միաժամանակ: Chrome Web Store-ի սկանավորումը չհայտնաբերեց: Օգտատերի ակնարկները ոչինչ չբացահայտեցին: Գողությունն «անալիտիկայի» քողի տակ էր:

Incogni-ն պարզեց, որ AI Chrome հավելումների 67%-ն ակտիվ կերպով հավաքում է օգտատերի տվյալները: IT թիմերի համար հիմնական հարցն այն չէ, թե «արդյո՞ք ծրագիրը որևէ տվյալ է հավաքում»: Հիմնական հարցն է. «Կարո՞ղ եմ ստուգել, որ այս հավելումն ի վիճակի չէ խոսակցության բովանդակությունն ուղարկել կողմնակի կողմի»:

Ճարտարապետության ստուգման թեստ

Տեղական մշակման հուսալի ստուգման մեթոդ մեկն է. ցանցի մոնիտորինգ:

Այն հավելումը, որն PII-ն հայտնաբերում է տեղում, ոչ մի արտաքին ուղարկվող տրաֆիկ չի ստեղծում հայտնաբերման ընթացքում: Օգտատերի տեղադրումի և AI հարթակ ուղարկման միջև ոչ մի կապ արտաքին սերվերի հետ չպետք է հայտնվի: Միայն մշակված հուշումն է ուղարկվում:

Այն հավելումը, որն երթևեկությունը proxy-ի միջով ուղարկում է, ձեր բովանդակությունն ուղարկում է կողմնակի սերվեր: Այդ սերվերի օպերատորն այժմ ձեր սպառնալիքի մոդելի ներսում է:

IT-ի ստուգման քայլերը պարզ են.

  1. Տեղակայե՛ք հավելումը վերահսկվող ցանցում
  2. Գործարկե՛ք փորձնական հուշումներ
  3. Ստուգե՛ք PII-ի մշակման ընթացքում հրատարակչի սերվերների հետ արտաքին կապերի առկայությունը

Եթե ծրագիրն այս թեստն անցնի ձախողվի, մի հաստատե՛ք: Մարքեթինգային պնդումները կարևոր չեն: Ցանցային ​​ترافikն ապացույցն է:

Տեղական մշակումը վստահելի է, որովհետև ստուգելի է: Հրատարակչին վստահելու կարիք չկա: Կարող եք ուղղակիորեն դիտարկել վարքագիծը: Տե՛ս, թե ինչպես anonym.legal-ն է դա կարգավորում Chrome-ի հավելումի անվտանգության ակնարկում և համապատասխանության ուղեցույցում:

Ի՞նչ պետք է պահանջեն IT թիմերը

2026 թ. հունվարից հետո AI բրաուզերի գործիքների նկատմամբ չափանիշները պետք է բարձրանան:

Նվազագույն ցուցակ.

  • Տեղական մշակում — ստուգված ցանցի աուդիտով, ոչ միայն հայտարարված
  • Հայտնի հրատարակիչ — իրական ընկերություն, հստակ բիզնեսային մոդել
  • Անկախ հավաստագրում — ISO 27001 կամ համարժեք
  • Ծրագրավորողի սերվերի երթուղղում չկա հիմնական գոpности ֆունկցիաների համար

AI բրաուզերի հավելումների մեծ մասն այս ցուցակն անցնել չի կարողանա: Հավաքագրման 67%-ի ցուցանիշն ապացուցում է դա: Տեղադրումների բարձր թիվը անվտանգության ազդանշան չէ: 2026 թ. հունվարի ծրագրերն ունեին հարյուր հազարավոր օգտատեր, նախքան ինչ-որ մեկն ստուգեց:

AI բրաուզերի անվտանգ գործիքների մասին ավելի շատ տեղեկատվության համար տե՛ս մեր անվտանգության և համապատասխանության էջը:

Աղբյուրներ

Հոդվածներ, որոնք կապված են

AI Անվտանգություն

AI Coding Assistants Leak Production PII

Unit test fixtures with real customer records. Log files with production data for debugging. GitHub found 39 million secrets leaked in 2024.

AI Անվտանգություն

Internal Wiki PII: Confluence Customer Data

Support teams document processes with screenshots of customer accounts. Over 3 years, that's thousands of GDPR data minimization violations in your.

AI Անվտանգություն

Screenshot PII: Leaks in Internal Tools

Slack, Teams, Jira, and email regularly receive screenshots containing customer PII. This access-control violation bypasses every DLP tool.

Պատրաստ եք պաշտպանելու ձեր տվյալները?

Սկսեք PII անանոնիմացնել 285+ կազմակերպության տեսակներով 48 լեզուներով:

Սկսեք անվճար փորձաշրջանԴիտել առանձնահատկությունները

About this page

We update this page when our platform or the law changes.

Read our founder note for how we work.

Each change shows up in the timestamp at the top.

Related reading

We follow these rules

  • GDPR (EU 2016/679).
  • ISO/IEC 27001:2022.
  • NIS2 (EU 2022/2555).
  • HIPAA safe harbor under 45 CFR § 164.514(b)(2).

Our promise

We do not sell your data.

We do not train models on your text.

We store your files in Germany.

You can delete your account at any time.

You own your work.

Where we run

Our servers live in Falkenstein, Germany.

We use Hetzner. They hold ISO 27001 certification.

All data stays in the EU.

Backups run every day.

Need help?

Email support@anonym.legal.

We reply within one business day.

How we test

We run a full check suite on every release.

Each surface gets its own sweep script and report.

Human reviewers spot-check the output each week.

We track recall and precision on a labelled set.

Bad runs block the deploy.

What we never do

  • We never sell your information to third parties.
  • We never train models on what you upload.
  • We never keep your work after you delete it.
  • We never share keys with any outside firm.
  • We never run ads inside the product.

Plans in plain words

We sell credits, not seats.

One credit covers one short job.

Long jobs use a few credits each.

You can top up at any time.

Unused credits roll over each month.

Read the plans page for current rates.

Who built this

A small team of engineers and lawyers built this.

We ship from Europe and work in the open.

Our founder note spells out why we started.

Where to start

How the parts fit

A browser add-on cleans text inside Chrome.

A Word plug-in handles drafts in Office.

A small desktop tool works on whole folders.

An agent protocol link feeds large models safely.

All four share one core engine and one rule set.

Words from our team

We started this work after a lunch about cookies.

One friend kept getting odd ads on her phone.

We asked why a court file leaked through a draft.

We sketched the first build on a napkin that week.

By month three we had a tiny demo for a friend.

She used it on her first case the next day.

Common questions we hear

Can the tool read scanned PDFs? Yes, with OCR.

Does it work on long files? Yes, in small chunks.

Can I roll my own rule set? Yes, save it as a preset.

Does it run offline? The desktop build runs offline.

Do you keep my files? No, the cloud build wipes after each run.

Will it learn from my work? No, we never train on inputs.

A short tour of the workflow

Upload a file or paste a snippet of prose.

Pick the entities you want gone from the draft.

Choose a method: replace, mask, hash, encrypt, or redact.

Press run and watch the side panel show each hit.

Skim the result and tweak any rule that misfired.

Save the cleaned file or send it to a teammate.